腾讯已将其用于语音生成和编辑的AuK 1.5B基础模型作为开源软件发布，包括代码和模型权重。
- 通过统一的自然语言接口，支持零样本和基于指令的文本转语音、内容与声学编辑、副语言编辑、语音增强以及声源分离。
- 包含AuK-Flash，一种用于更快推理的4步蒸馏变体。
- 使用Qwen2.5-Omni-3B模型作为其MLLM编码器。
- 根据MIT许可证发布，权重可在Hugging Face和ModelScope上获取。
此次发布使研究人员和开发人员能够访问基础模型和蒸馏变体，以用于各种音频处理任务。
lab
Tencent Hunyuan (HF)
·
1 天前
·
releases
腾讯发布开源AuK基础模型，用于语音生成与编辑
译自 English → 中文
相关文章
lab
Tencent Hunyuan (HF)
·
1 天前
·
3 次浏览
腾讯发布开源语音生成模型 AuK-Flash，蒸馏版参数量达 1.5B
腾讯已将用于语音生成和编辑的 AuK 基础模型开源，包括在 Hugging Face 和 ModelScope 上的代码和权重。此次发布包含 AuK-Flash，这是一种专为快速推理设计的蒸馏变体，仅需 4 步。
arxiv
arXiv cs.LG
·
1 天前
·
1 次浏览
TontaubeV1 实现具有有界上下文的流式文本转语音
研究人员展示了 TontaubeV1，这是一种文本转语音模型，在保持自然韵律的同时，支持从单张消费级 GPU 进行流式推理。该系统使用 12.5 Hz 的层级 DualCodec 表示法，将语义流与声学细化分离，从而实现低延迟生成。
arxiv
arXiv cs.CL
·
1 天前
·
1 次浏览
TontaubeV1 实现具有有界上下文的流式文本转语音
研究人员推出了 TontaubeV1，这是一种文本转语音模型，在保持自然韵律的同时，支持从单个消费级 GPU 进行流式推理。该系统使用 12.5 Hz 的层次化 DualCodec 表示法，将语义流与声学细化分离开来，从而尽管底层编解码器具有非因果特性，仍可实现因果解码。
arxiv
arXiv cs.CL
·
1 天前
·
3 次浏览
AuK技术报告：用于语音生成和编辑的开源基础模型
AuK技术报告介绍了一个开源基础模型，该模型通过自然语言指令和音频上下文统一了语音生成和编辑。
lab
Tencent Hunyuan (HF)
·
3 天前
·
7 次浏览
腾讯发布EVIE-4.5B，采用动态Prefix-MRL和免训练token压缩
腾讯发布了EVIE-4.5B，这是一款高性能的多语言视觉文档检索模型，具备动态前缀多向量检索延迟（Prefix-MRL）和无需训练的层次凝聚聚类（HAC）token压缩技术。